clusters of chocolate-covered raisins是什么意思

“产业聚集” 的意思。就是 从地理上看，一些同行业相关的产业，（工厂，科研所，物资供应，相关服务） 相对集中地 分布在一个区域，每个单位，就是一个 cluster。如同一台大型计算机联许多个中型机，每个中型机联许多小型机。典型的 Business clusters 的例子 就是 “硅谷”，IT 高技术产业聚集。其它的 什么 “科技园”，.... 也属于 产业聚集

集群通信系统是一种计算机系统，它通过一组松散集成的计算机软件和/或硬件连接版起来权高度紧密地协作完成计算工作。简单地说，集群（cluster）就是一组计算机，它们作为一个整体向用户提供一组网络资源。这些单个的计算机系统就是集群的节点（node）。一个理想的集群，用户是不会意识到集群系统底层的节点的。在他们看来，集群是一个系统，而非多个计算机系统。并且集群系统的管理员可以随意增加和删改集群系统的节点。集群已不是一个全新的概念，早在七十年代计算机厂商和研究机构就对集群系统进行了研究和开发。这些系统不为大家熟知，是因为它主要用于科学工程计算。直到Linux集群的出现，集群的概念才得以广泛传播。集群系统主要分为高可用(HighAvailability)集群，简称HA集群，和高性能计算(High Perfermance Computing)集群，简称HPC集群。

downclusters，指的是绒毛，就是长在羽毛下面的绒绒feathers是羽毛其实羽绒指的是羽和绒，雨就是羽毛，绒就是绒毛，两个概念啦。downclusters的含量越多，越暖和的哦~

在可视化界面菜单栏，点击Find clusters第二步：点击K聚类。注意：如果出现如下提示，只需连续点击确定即可。第三步：点击LLR算法。（当然也可以试试其他算法）CiteSpace 又翻译为“引文空间”，是一款着眼于分析科学分析中蕴含的潜在知识，是在科学计量学、数据可视化背景下逐渐发展起来的引文可视化分析软件。由于是通过可视化的手段来呈现科学知识的结构、规律和分布情况，因此也将通过此类方法分析得到的可视化图形称为“科学知识图谱”。CiteSpace作为一款优秀的文献计量学软件，能够将文献之间的关系以科学知识图谱的方式可视化的展现在操作者面前，既能帮助我们梳理过去的研究轨迹，也能使得我们对未来的研究前景有一个大概的认识。

类似星系团和超星系团物体的种子

近代光电信息处理技术上的飞跃是光通信、光网络、光存储、光显示和多媒体技术的出现。其主要关键技术是微电子、光电子、光纤、计算机、通信与网络、大规模存储、大面积高分辨显示、多媒体等技术。 全世界光纤敷设长度正以2000km/h的速度增长。光纤带宽每6个月翻一番。单根光纤的传输容量在今后15年中将增加1000倍。2.5～10b/s光信息传输系统已实用化。Tb/s(1012bit/s)的传输速度已实验成功。随着未来光纤1390nm水吸收峰障碍的消除，将实现1280～1625nm、带宽达40THz的光通信窗口。长距离大容量单信道通信最高速率为10Gb/s。2005年传输速率需达数百Gb/s，2010年传输速率应达1Tb/s。光通信方面，光学时分复用(OTDM)、光学波分复用(OWDM)、码分多址(CDMA)、光学高密度波分复用(ODWDM)均已实用化或正在解决实用化问题。1998年，朗迅公司用100信道的光学波分复用和10Gb/s单通道速率实现了400km、1Tb/s的大容量通信。当前局域网的交换速率达40Gb/s，2005年达1Tb/s，2010年达5Tb/s。国际上许多著名的计算机公司都或多或少的开展计算机局域网光互连的研究和开发，如IBM、HP、MEC、Sun Microsystems、Micro Optical Devices、Digital Optics Corporation。 利用多个处理器芯片并行工作，可有效提高计算速度。日本总结第五代（并行、智能）计算机失败的原因是：硬件不困难，关键在软件。美国解决了并行软件问题，做出了海量并行计算机，1991年已做到6万个处理器并行工作。1995年做到100万个处理器并行工作。有人估计2010年将可做到1000亿个处理器并行工作。这个数目与人脑神经元的数目大致相同。可认为该种计算机将可模拟人脑高速实时地思维和工作。美国能源部作为模拟核实验工作的一部分，计划在2004年研制出100Tb/s的超级计算机。IBM公司、MIT、NASA的喷气动力实验室以及加拿大McGill大学的代表对互连的需求作了专题讨论。IBM公司的A.F.Benner认为在这种计算机中采用光互连的主要优点是简单密集的封装和非常高的带宽距离乘积，MIT的L.Rudolph建议用光纤环路延迟解决高速信号的缓存，NASA的T.Sterling建议用光学TDM和WDM组合增加通道的通信容量，McGill大学的T. Szymanski则提出“智能化的光学网络”，并介绍了他们采用光电子COMS技术实现这种网络的工作。Delaware大学提出全光互连用于大规模并行处理，报导了一个灵活的大规模并行处理全光方案，有250通道，信息传输能力为250Gb/s。建立了完全可调的发射和接收阵列。其实际上可随机地达到250×250交叉开关(crossbar switch)，在单层次系统上可连接500个处理器。复用和解复用足够快，能满足大规模并行处理的要求。这种交叉开关能提供每秒2.5Gb个包连接。一个多层系统可提供数千到数百万个同时的包连接，控制的复杂性增加了。计算机模拟证明了单层和两层的开关控制方案。又提出一种“导向器”令牌用作多通道快速总线(E-Bus)，其可实现包交换。相信该系统用OEIC技术实现是可行的。 光互连在近几年里取得很大的进展，光互连的应用已由LAN进展到系统之间的互连网络(system area network，简称SAM)。光纤链路在计算机集群(Clusters)系统中的应用，将产生第一代光互连高性能并行计算机系统。计算机集群是采用工作站或微机做计算节点，通过网络连接形成高性能并行计算平台。Clusters或称为NOW(networks of workstations)和COW(clusters of workstations)。由于采用商品计算机做处理器节点，具有价格便宜、易更新性和可扩展性优势，有很高商业前景，Clusters已成为并行计算机(MPPI机)一个重要的体系结构，美国IBM公司的SP系列和中国的曙光2000等均采用这种结构。Clusters主要采用Ethernet、FDDI等局域网络。由于LAN技术发展的目的不是支持这种并行处理系统，较大的通信开销(overheads)和网络延迟(latancy)阻碍了计算机集群系统功能的发挥。虽然Gb/s Ethernet的出现可以改善带宽，但并行系统更需要的是减少网络延迟。在Clusters网络中，主要问题是增加带宽，减少通信开销和网络延迟。光互连是实现计算机集群系统网络最理想的技术之一。将WDM技术引入计算机互连中，可以实现全光交换节点。因而，光互连的应用对NOW结构的高性能计算机发展有重要的现实意义。宽波长间隔波分复用(coarse WDM即CWDM)将密集波分复用(DWDM)的0.4～0.8nm波长间隔拓宽到20nm以上，并将通信中的典型波长窗口1530nm～1550nm延伸为1310nm～1560nm整个波段，其主要的应用对象是Gb/s Ethernet网络。CWDM主要用于短距离的LAN的传输，采用宽波长间隔，降低了对无源器件制作成本和光电子器件的波长稳定性等要求，可以有效地降低成本，这正适应了计算机网络发展的需求。 (fly-by-light即FBL，亦称为光飞行)光控飞行即在飞行和飞行器中采用光信号控制整个系统，这是光纤技术和光互连技术的新应用。在这方面McDonnell Aerospace提出一个FLASH计划，即实现一种FLASH型飞行光控制系统。该研究所发表了下述论文：“飞机的光缆隐线：光飞行控制网络的物理层”，“FLASH光飞行飞机控制系统的研制”，“运输机的FLASH光飞行飞机控制系统的研制”，“FLASH光纤数据总线文件学习”，“军用战术光飞行飞机控制系统的实验研究”，“光飞行飞机控制系统的经济效益集成实验研究”，“用神经网络处理对光飞行(FBL)飞机控制系统进行故障诊断”，金属线控制飞行转换为光飞行的过程和解决方法”等等。此外，美国Berg Electonics研究所、HiRel Connector研究所、Honeywell研究所、Raytheon飞机研究所等也发表了一些成果。 与可视化紧密联系的显示技术是信息处理必须的手段。高分辨率电视(HDTV)显示约为1000线，今后会出现超高分辨率电视(UDTV)显示大于1000线甚至可达4000～5000线，显示质量会大幅度增高，当然要求计算机的速度也会更高。今后计划的HDTV显示的情况如表4。在未来的超高分辨率显示中平面显示和全息显示将起重要作用。表1 计划的HDTV显示的情况年 份 类 别 分辨率 像素数量1993年 HDTV 1000线 1150×1920个像素2000年 UDTV-0 1000线 1080×1920个像素2003年 UDTV-Ⅰ 2000线 2106×3840个像素2005年 UDTV-Ⅱ 3000线 3240×5760个像素2010年 UDTV-Ⅲ 4000线 4320×7680个像素 光存储是当前存储技术最有生命力的技术，而且在不断发展中。光盘技术中采用烧孔(burnning hole)技术，可使存储量增加上千倍。美国Xerox研究中心预计2020年可实现一个原子存储一位计算机信息。存储技术与当前出现的纳米技术是相关的，它是建立在分子电子学基础之上的。此外，有光全息存储，DARPA在5年内开发出容量为1万亿位数据，存储速率1000Mb/s。已达到160000帧在LiNbO3晶体中，密度为40～100Gb/in2，适于直接存取图像。近场光存储用 Co/Pt多层磁光膜，其线宽10～50nm、密度1000Gb/in2。光学双光子双稳态三维数字记录能达到Tb/cm2的体密度、40Mb/s传输率， San Diego达100层的记录方法。

1.the lean meat mixing with some fat from leg would be favorable; 2.the meat cut into cubes at 3/4 inch; 3.mixed with the cooking wine would be good to enhance the flavor.Meat Tenderizer would be helpful to have better mouth fell. 4.after 40 minutes,the meat cubes can be make to clusters. 5.charcoal burned to cooke the clusters.Meanwhile,salt,red pepper pieces and Cumin seed powder should be evenly spread on the surface. 6.after 10-15 minutes,the lamb clusters are ready.

参看维基百科 英文版

您好，这样的：# -*- coding: utf-8 -*-import colorsysdef get_dominant_color(image): #颜色模式转换，以便输出rgb颜色值 image = image.convert("RGBA") #生成缩略图，减少计算量，减小cpu压力 image.thumbnail((200, 200)) max_score = None dominant_color = None for count, (r, g, b, a) in image.getcolors(image.size[0] * image.size[1]): # 跳过纯黑色 if a == 0: continue saturation = colorsys.rgb_to_hsv(r / 255.0, g / 255.0, b / 255.0)[1] y = min(abs(r * 2104 + g * 4130 + b * 802 + 4096 + 131072) >> 13, 235) y = (y - 16.0) / (235 - 16) # 忽略高亮色 if y > 0.9: continue # Calculate the score, preferring highly saturated colors. # Add 0.1 to the saturation so we don"t completely ignore grayscale # colors by multiplying the count by zero, but still give them a low # weight. score = (saturation + 0.1) * count if score > max_score: max_score = score dominant_color = (r, g, b) return dominant_colorif __name__=="__main__": from PIL import Image import os path = r".\pics\" fp = open("file_color.txt","w") for filename in os.listdir(path): print path+filename try: color = get_dominant_color(Image.open(path+filename)) fp.write("The color of "+filename+" is "+str(color)+" ") except: print "This file format is not support" fp.close()

Killer whales (that hunt, play, and rest together) tend to wander in family clusters.限制定语从句后置蓝海虎鲸一起捕猎，游玩和休闲，它们倾向于徜徉在家庭群中（群居动物）望采纳！

本文所有实现代码均来自《Python机器学习及实战》#-*- coding:utf-8 -*-#分别导入numpy、matplotlib、pandas，用于数学运算、作图以及数据分析import numpy as npimport matplotlib.pyplot as pltimport pandas as pd #第一步：使用pandas读取训练数据和测试数据digits_train = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tra",header=None)digits_test = pd.read_csv("https://archive.ics.uci.edu/ml/machine-learning-databases/optdigits/optdigits.tes",header=None)#第二步：已知原始数据有65个特征值，前64个是像素特征，最后一个是每个图像样本的数字类别#从训练集和测试集上都分离出64维度的像素特征和1维度的数字目标X_train = digits_train[np.arange(64)]y_train = digits_train[64]X_test = digits_test[np.arange(64)]y_test = digits_test[64]#第三步：使用KMeans模型进行训练并预测from sklearn.cluster import KMeanskmeans = KMeans(n_clusters=10)kmeans.fit(X_train)kmeans_y_predict = kmeans.predict(X_test)#第四步：评估KMeans模型的性能#如何评估聚类算法的性能？#1.Adjusted Rand Index(ARI) 适用于被用来评估的数据本身带有正确类别的信息，ARI指标和计算Accuracy的方法类似#2.Silhouette Coefficient(轮廓系数) 适用于被用来评估的数据没有所属类别 同时兼顾了凝聚度和分散度，取值范围[-1,1],值越大，聚类效果越好from sklearn.metrics import adjusted_rand_scoreprint "The ARI value of KMeans is",adjusted_rand_score(y_test,kmeans_y_predict)#到此为止，手写体数字图像聚类--kmeans学习结束，下面单独讨论轮廓系数评价kmeans的性能#****************************************************************************************************#拓展学习：利用轮廓系数评价不同累簇数量(k值)的K-means聚类实例from sklearn.metrics import silhouette_score#分割出3*2=6个子图，并且在1号子图作图 subplot(nrows, ncols, plot_number)plt.subplot(3,2,1)#初始化原始数据点x1 = np.array([1,2,3,1,5,6,5,5,6,7,8,9,7,9])x2 = np.array([1,3,2,2,8,6,7,6,7,1,2,1,1,3])# a = [1,2,3] b = [4,5,6] zipped = zip(a,b) 输出为元组的列表[(1, 4), (2, 5), (3, 6)]X = np.array(zip(x1,x2)).reshape(len(x1),2)#X输出为：array([[1, 1],[2, 3],[3, 2],[1, 2],...,[9, 3]])#在1号子图作出原始数据点阵的分布plt.xlim([0,10])plt.ylim([0,10])plt.title("Instances")plt.scatter(x1,x2)colors = ["b","g","r","c","m","y","k","b"]markers = ["o","s","D","v","^","p","*","+"]clusters = [2,3,4,5,8]subplot_counter = 1sc_scores = []for t in clusters: subplot_counter += 1 plt.subplot(3,2,subplot_counter) kmeans_model = KMeans(n_clusters=t).fit(X) for i,l in enumerate(kmeans_model.labels_): plt.plot(x1[i],x2[i],color=colors[l],marker=markers[l],ls="None") plt.xlim([0,10]) plt.ylim([0,10]) sc_score = silhouette_score(X,kmeans_model.labels_,metric="euclidean") sc_scores.append(sc_score) #绘制轮廓系数与不同类簇数量的直观显示图 plt.title("K=%s,silhouette coefficient = %0.03f"%(t,sc_score))#绘制轮廓系数与不同类簇数量的关系曲线plt.figure() #此处必须空一行，表示在for循环结束之后执行！！！plt.plot(clusters,sc_scores,"*-") #绘制折线图时的样子plt.xlabel("Number of Clusters")plt.ylabel("Silhouette Coefficient Score")plt.show()#****************************************************************************************************#总结：#k-means聚类模型所采用的迭代式算法，直观易懂并且非常实用，但是有两大缺陷#1.容易收敛到局部最优解，受随机初始聚类中心影响，可多执行几次k-means来挑选性能最佳的结果#2.需要预先设定簇的数量，

社会网络分析法是一种社会学研究方法，社会学理论认为社会不是由个人而是由网络构成的，网络中包含结点及结点之间的关系，社会网络分析法通过对于网络中关系的分析探讨网络的结构及属性特征，包括网络中的个体属性及网络整体属性，网络个体属性分析包括：点度中心度，接近中心度等；网络的整体属性分析包括小世界效应，小团体研究，凝聚子群等。该方法目前在教育领域应用比较广泛，主要探究信息技术环境下学习者所构成网络的特点，以及在此基础上对于该网络的改进策略。

硬盘有坏道，需要使用软件进行硬盘修复。必要的时候屏蔽坏道分区。这操作时间颇长。

主语 Clusters of tiny insects 谓语 were to 表示可能/将来 be found 表被动 called aphids 主语的补语，解释昆虫叫蚜虫

A new proof of the existence of initial consonant clusters in ancient chinese 古汉语中有复辅音声母新证 Eight important topics are included , such as “ vowel sounds ” , “ consonant clusters ” , “ stress and rhythm ” , “ sounds in connected speech ” , “ intonation ” and so on 全书分为八大主题，将语言的元素逐一分解，并针对所有发音的细节作详细介绍，包括：母音、子音、子音群、重音与节奏、连音、语调等。

电子壳结构和特点的钠集群 给出了谱的氮原子簇钠簇在超音速扩张与氩载气。大量的谱峰或按步就班地N = 8、20、40个,58 92.这是可以理解的one-electron壳体模型独立游移原子3s电子捆绑在球面对称的潜力。 我们发现明显的规律性的质量谱的钠原子簇。图1(一)显示单一连续体扫描在响了N = 4-75,和一个单独的质量检查N = 75-100.每个山峰群数量的代表了一个给定的氮在固定的时间间隔检测分子束钠播种在氩。为特定的山峰和步骤,对应8.20.40.58. 92例,显大,相比,尤其是后立即峰。这个二,2例(未显示),同时显著相关3-7.例丰盛的山峰中,我们看到了独特的图案的地区,超过了识别多种实验条件。例如,even-odd交互的8-14例and34-40总是看到的相对强度的各自的整个区域。为了说明问题,图显示质量检查四22不同压力和钠氩气16 kpa蒸气压。它可以被看成是不断增加的压力,利于大群的损耗较小的原因,没有改变的区域的完整性。而丰富的星团中明显谱被认为是相对比较稳定。如果我们进一步单电子结构的集群的原因,从而增强稳定性,一个简单的图片。 我们把棉棉序列,20岁,8例,58 92岁和40岁的电子壳结构簇钠。外壳结构是由大型能量的能量水平差距不同。大部分的电子结构的金属钠可理解运用近自由电子照片。在这种情况下,按照3s价电子互相与光滑的one-particle有效的潜力和离子pseudopotentials组成的electron-electron互动的潜力。一个相似的概念模型显得e的集群。我们模拟one-electron潜在的集群内有效用球面对称的圆形的潜力。这个计算是很有潜力的表现形式。

和你遇到了同样的问题，在GOOGLE上搜到的答案。初始中心的文件，第一个变量就应该是cluster_，值为1-k（k就是类别数）。我按这个做了，就OK啦！问：I ran the SPSS Quick Cluster procedure for K Means clusteranalysis, specifying an SPSS file with the initial clustercenters. I received error message # 14024 which states:"The file referenced in the FILE subcommand does not havethe proper format for QUICK CLUSTER initial cluster centers."My cluster center file includes all the variables that areused in the Quick Cluster command and there is one case foreach of the centers. Am I missing something?答：The first variable in your cluster center file must benamed cluster_ . The values for cluster_ in the K rows willbe 1, 2, ... K, where K is the number of clusters. The absenceof cluster_ will trigger the improper format error message.Other essential properties of the centers file include:1. You must have at least as many cases in the center fileas the number of clusters specified in the QUICK CLUSTER command.If there are K cases in the centers file and J (J< K) clustersspecified in the QUICK CLUSTER command, only the first J casesfrom the centers file will be used.2. All the variables that are included in the QUICK CLUSTERcommand must be included in the centers file. Variable orderneed not be identical in the QUICK CLUSTER command and thecenters file (provided cluster_ comes first in the centers file).Variables in the centers file that are not in the QUICK CLUSTERvariable list will be ignored in the analysis.

可能是你非正常关机或误操作造成的磁盘逻辑坏道，在重新开机后系统进行的自检修复，你只要等它自检修复完成自动进入系统，其间不要按任何键，下次开机就不会了。

指定文件名问题描述：一堆二维数据，用kmeans算法对其进行聚类，下面例子以分k=3为例。原数据：1.5,3.12.2,2.93,42,115,2543,1332,420,08,912,59,1211,822,3324,25实现代码：[python] view plain copy#coding:utf-8 from numpy import * import string import math def loadDataSet(filename): dataMat = [] fr = open(filename) for line in fr.readlines(): element = line.strip(" ").split(",") number = [] for i in range(len(element)): number.append(string.atof(element[i])) dataMat.append(number) return dataMat def distEclud(vecA, vecB): count = len(vecA) s = 0.0 for i in range(0, count): s = s + power(vecA[i]-vecB[i], 2) return sqrt(s) def clusterOfElement(means, element): min_dist = distEclud(means[0], element) lable = 0 for index in range(1, len(means)): dist = distEclud(means[index], element) if(dist < min_dist): min_dist = dist lable = index return lable def getMean(cluster): #cluster=[[[1,2],[1,2],[1,2]....],[[2,1],[2,1],[2,1],[2,1]...]] num = len(cluster) #1个簇的num，如上为3个 res = [] temp = 0 dim = len(cluster[0]) for i in range(0, dim): for j in range(0, num): temp = temp + cluster[j][i] temp = temp / num res.append(temp) return res def kMeans(): k = 3 data = loadDataSet("data.txt") print "data is ", data inite_mean = [[1.1, 1], [1, 1],[1,2]] count = 0 while(count < 1000): count = count + 1 clusters = [] means = [] for i in range(k): clusters.append([]) means.append([]) for index in range(len(data)): lable = clusterOfElement(inite_mean, data[index]) clusters[lable].append(data[index]) for cluster_index in range(k): mea = getMean(clusters[cluster_index]) for mean_dim in range(len(mea)): means[cluster_index].append(mea[mean_dim]) for mm in range(len(means)): for mmm in range(len(means[mm])): inite_mean[mm][mmm] = means[mm][mmm] print "result cluster is ", clusters print "result means is ", inite_mean kMeans()

是说你未定义集群，你先在工程编辑器里面定义集群，然后所定义的变量和各种设置都要选择该集群就不会出现这个提示啦

拿oracle而言。oracle就是数据库。而比如你的数据库下面建了3个库比如：orcl、ppl、cla 那么这些就是实例。楼上说了一堆废话。。

that 引导的是同位语从句语法上没有错误

驱动对于fat32太小，至少64簇才行

呵呵...你还是算了吧，weka的东西自己研究去吧

产业链是产业经济学中的一个概念，是各个产业部门之间基于一定的技术经济关联，并依据特定的逻辑关系和时空布局关系客观形成的链条式关联关系形态。产业链主要是基于各个地区客观存在的区域差异，着眼发挥区域比较优势，借助区域市场协调地区间专业化分工和多维性需求的矛盾，以产业合作作为实现形式和内容的区域合作载体。产业链的本质是用于描述一个具有某种内在联系的企业群结构，它是一个相对宏观的概念，存在两维属性：结构属性和价值属性。产业链中大量存在着上下游关系和相互价值的交换，上游环节向下游环节输送产品或服务，下游环节向上游环节反馈信息。 [编辑本段]产业链的内涵 (1)产业链是产业层次的表达；(2)产业链是产业关联程度的表达；(3)产业链是资源加工深度的表达；(4)产业链是满足需求程度的表达 [编辑本段]产业链的类型 产业链分为接通产业链和延伸产业链。接通产业链是指将一定地域空间范围内的断续的产业部门(通常是产业链的断环和孤环形式)借助某种产业合作形式串联起来；延伸产业链则是将一条既已存在的产业链尽可能地向上下游拓展延伸。产业链向上游延伸一般使得产业链进入到基础产业环节和技术研发环节，向下游拓展则进入到市场拓展环节。产业链的实质就是不同产业的企业之间的关联，而这种产业关联的实质则是各产业中的企业之间的供给与需求的关系。 [编辑本段]产业链的形成 随着技术的发展，迂回生产程度的提高，生产过程划分为一系列有关联的生产环节。分工与交易的复杂化对使得在经济中通过什么样的形式联结不同的分工与交易活动成为日益突出的问题。企业组织结构随分工的发展而呈递增式增加。因此，搜寻一种企业组织结构以节省交易费用并进一步促进分工的潜力，相对于生产中的潜力会大大增加(姚小涛，席酉民，2002年)。企业难以应付越来越复杂的分工与交易活动，不得不依靠企业间的相互关联，这种搜寻最佳企业组织结构的动力与实践就成为产业链形成的条件 [编辑本段]产业链空间分布特点 (一)产业链的完整性与经济区划紧密相关产业链是相关产业活动的集，其构成单元是若干具有相关关系的经济活动集合，即产业环或者具体的产业部门；而产业环(产业部门)又是若干从事相同经济活动的企业群体。从事相似或相同经济活动的企业为实现自身利益最大化，必然努力探寻自身经济活动的优区位。在这种“循优推移”过程中，一方面，产业环(产业部门)的微观构成单位——企业，为了获取集聚经济效益，逐步聚集到适合其发育成长的优区位，即原先分布于各区域的同类企业在优区位实现“企业扎堆”(Clusters)；另一方面，各个产业环(产业部门)，为了获取地域产业分工效益，由于具有不同经济特点和追求各自的优区位而在空间上趋于分散。这样，产业链系统内企业和部门循优推移的空间经济结果是，产业链的各环节分别布局或配置到适合其经济活动特征的特定地点(Specific Locations)。正因如此，当经济区划尺度较大时，比如说是大经济地带、大经济区、省域或者流域经济区时，或者说大到几乎囊括产业链的所有环节的地域空间时，产业链表现出明显的完整性；当经济区划尺度较小时，比如说仅是市域、县域或者说是产业集中发展区时，其地域范围一般难于包括产业链的各环节，这对于某一经济区域而言可能形成了特色产业，但是产业链却表现出明显的断续性。(二)产业链的层次性与区域类型密切相关产业链是产业环逐级累加的有机统一体，某一链环的累加是对上一环节追加劳动力投入、资金投入、技术投入以获取附加价值的过程，链环越是下移，其资金密集性、技术密集性越是明显；链环越是上行，其资源加工性、劳动密集性越是明显。由此，欠发达区域与发达区域的类型划分，往往是依据其在劳动地域分工格局中的专业化分工角色。一般而言，欠发达地区更多地从事资源开采、劳动密集的经济活动，其技术含量、资金含量相对较低，其附加价值率也相对较低；发达地区更多地从事深加工、精加工和精细加工经济活动，其技术含量、资金含量相对较高，其附加价值率也相对较高。因此，区域类型与产业链的层次之间产生了内在的关联关系，欠发达区域一般拥有产业链的上游链环，其下游链环一般则布局在发达区域。(三)产业链空间分布具有明显指向性优区位指向引导产业环或者集中或者分散地布局在不同的经济区位，表现为产业环具有明显的空间指向性。这种空间指向性主要表现为如下方面：第一，资源禀赋指向性，产业环基于对优区位的追求，势必在某种程度上依赖区域的资源禀赋，而后者的空间非集中性引起追逐资源禀赋的产业环的空间分散性。第二，劳动地域分工指向性，劳动地域分工使得各区域具有了自身的专业化生产方向，产业链对专业化分工效益的追求便造成了产业环的空间分散性。第三，区域传统经济活动指向性，区域传统经济活动通常是区域特定资源禀赋和区域经济特色的体现，经济活动的路径依赖性和惯性使得区域在产业链分工中具有深深的烙印。

美国IN102钴基沉淀硬化合金 美国IN102高温合金 美国IN102化学成分编号：N06102化学成分：Cr：15.0 Ni67.0 Mo：2.9 W3.0 NB:2.9 Ti：0.5 Al：0.5 Fe：7.0 C：0.06 B:0.005 Mg0.02 Zr0.03

解决方法：1）开机马上按F8不动到高级选项出现在松手，选“最近一次的正确配置”回车修复，还不行按F8进入安全模式还原一下系统或重装系统（如果重装也是死机，建议还是检修一下去，如果可以进入安全模式，说明你安装了不合适的东西，将出事前下载的不合适东西全部卸载，或还原系统或重装）。先软后硬，出现这样的问题是软件冲突、驱动不合适、系统问题引起的，可以在安全模式还原一下系统，还是不行重新安装操作系统，不要安装软件、补丁、驱动等，看看开机还有问题吗？如果没有在逐步的安装驱动、补丁、软件，找出不合适的东西就不要安装了。在有就是硬件引起的，扣出主板电池放一下电，插拔一下内存、显卡清一下灰，在检查硬盘是否有问题，不行就检修一下去吧。2）如果总是这样，先软后硬，重新安装操作系统，不要安装软件、补丁、驱动等，看看开机还有问题吗？如果没有在逐步的安装驱动、补丁、软件，找出不合适的东西就不要安装了（有问题请你追问我）。请注意：如果还原系统或重装后，安装驱动、补丁、软件等东西时，一定要将影响你这次出事的东西不要在安装上去了，否则就白还原或重装了。3）硬件方面，如硬盘、内存、显卡、主板等是否出现问题，如果是硬件问题引起的，建议检修一下去。

程序需要一个数据文件格式如下：5 2 32 3 4 5 10 12 5 1 12 10其中，5表示数据的数量，2表示数据的维度，3表示聚类的数量。后面每两个实数对应一个数据点。不过这个程序始数据维数固定为2，后来想改成4以下的任意维度，但没有改完，所以其实只能为2维。我已经对程序做了注释。#include < stdio.h>#include < stdlib.h>#include < string.h>#include < conio.h>#include < math.h>#define SUCCESS 1#define FAILURE 0#define TRUE 1#define FALSE 0#define MAXVECTDIM 4 // 数据最大维数 (看来这个程序写了一半，维数实际上只能为2)#define MAXPATTERN 1588 // 数据数量最大值#define MAXCLUSTER 10 // 聚类最大值// 聚类结构struct aCluster { double Center[MAXVECTDIM]; // 中心/引力数据对象 int Member[MAXPATTERN]; // 该聚类中数据在Pattern中的索引 int NumMembers; // 数据的数量};struct aVector { double Center[MAXVECTDIM]; int Size;};static double Pattern[MAXPATTERN][MAXVECTDIM + 1]; // 所有数据存放在这个数组中// 所以的东西都搁System类里面了class System {private : aCluster Cluster[MAXCLUSTER]; // 聚类数组 int NumPatterns; // 输入数据的数量 int SizeVector; // 数据的维数 int NumClusters; // 数据的聚类数 void DistributeSamples(); // 根据中心聚类，重新分配数据到不同的聚类 int CalcNewClustCenters(); // 重新计算新的聚类中心 double EucNorm(int, int); // 误差准则 int FindClosestCluster(int); // 查找最接近的聚类public : System() {}; int LoadPatterns(char * fname); // 从文件中读取数据 void InitClusters(); // 初始化聚类 void RunKMeans(); // 执行K-Means算法 void ShowClusters(); // 显示聚类 void SaveClusters(char * fname); // 保存聚类到文件中 void ShowCenters(); // 显示聚类中心数据 };void System::ShowCenters() { int i; printf("Cluster centers: "); for (i = 0; i < NumClusters; i++) { Cluster[i].Member[0] = i; printf("ClusterCenter[%d]=(%f,%f) ", i, Cluster[i].Center[0],Cluster[i].Center[1]); int b=0; } printf(" ");}int System::LoadPatterns(char * fname) { FILE * InFilePtr; int i, j; double x; if ( (InFilePtr = fopen(fname, "r")) == NULL) return FAILURE; // 读入数据的数量，维度和聚类数的数量 fscanf(InFilePtr, "%d", & NumPatterns); fscanf(InFilePtr, "%d", & SizeVector); fscanf(InFilePtr, "%d", & NumClusters); // 读入数据 for (i = 0; i < NumPatterns; i++) { for (j = 0; j < SizeVector; j++) { fscanf(InFilePtr, "%lg", & x); Pattern[i][j] = x; } } // 打印读入的数据 printf("Input patterns: "); for (i = 0; i < NumPatterns; i++) { printf("Pattern[%d]=(%2.3f,%2.3f,%d,%d) ", i, Pattern[i][0], Pattern[i][1],Pattern[i][2], Pattern[i][3]); } printf(" -------------------- "); return SUCCESS;}void System::InitClusters() { int i, j; SizeVector=2; // 看来开始数据维数固定为2，后来想改成4以下的任意维度，但没有改完 printf("Initial cluster centers: "); // 把前NumClusters个数据作为NumClusters个聚类的数据中心 for (i = 0; i < NumClusters; i++) { Cluster[i].Member[0] = i; // 记录这个数据的索引到第i个聚类中 for (j = 0; j < SizeVector; j++) { Cluster[i].Center[j] = Pattern[i][j]; // 把这个数据作为数据中心 } } // 打印聚类的数据中心 for (i = 0; i < NumClusters; i++) { printf("ClusterCenter[%d]=(%f,%f) ", i, Cluster[i].Center[0], Cluster[i].Center[1]); } printf(" ");}void System::RunKMeans() { int converged; // 是否收敛 int pass; // 计算的趟数 pass = 1; // 第一趟 converged = FALSE; // 没有收敛 while (converged == FALSE) { // 没有收敛的情况下反复跑 printf("PASS=%d ", pass++); // 打印趟数 DistributeSamples(); // 重新分配数据 converged = CalcNewClustCenters(); // 计算新的聚类中心，如果计算结果和上次相同，认为已经收敛 ShowCenters(); // 显示聚类中心 }}// 第p个数据到第c个聚类中心的误差准则(距离的平方)double System::EucNorm(int p, int c) { double dist, x; // x可能是调试用，没有实际作用 int i; dist = 0; // 将每个维度的差的平方相加，得到距离的平方 for (i = 0; i < SizeVector; i++) { x = (Cluster[c].Center[i] - Pattern[p][i]) * (Cluster[c].Center[i] - Pattern[p][i]); dist += (Cluster[c].Center[i] - Pattern[p][i]) * (Cluster[c].Center[i] - Pattern[p][i]); } return dist;}// 查找第pat个数据的最近聚类int System ::FindClosestCluster(int pat) { int i, ClustID/*最近聚类的ID*/; double MinDist/*最小误差*/, d; MinDist = 9.9e+99; // 初始为一个极大的值 ClustID = -1; // 依次计算3个聚类到第pat个数据的误差，找出最小值 for (i = 0; i < NumClusters; i++) { d = EucNorm(pat, i); printf("Distance from pattern %d to cluster %d is %f ", pat, i, sqrt(d)); if (d < MinDist) { // 如果小于前最小值，将改值作为当前最小值 MinDist = d; ClustID = i; } } if (ClustID < 0) { // 没有找到？？！ —— 这个应该不可能发生，如果出现表示出现了不可思议的错误 printf("Aaargh"); exit(0); } return ClustID;}void System ::DistributeSamples() { int i, pat, Clustid, MemberIndex; // 将上次的记录的该聚类中的数据数量清0，重新开始分配数据 for (i = 0; i < NumClusters; i++) { Cluster[i].NumMembers = 0; } // 找出每个数据的最近聚类数据中心，并将该数据分配到该聚类 for (pat = 0; pat < NumPatterns; pat++) { Clustid = FindClosestCluster(pat); printf("patern %d assigned to cluster %d ", pat, Clustid); MemberIndex = Cluster[Clustid].NumMembers; // MemberIndex是当前记录的数据数量，也是新加入数据在数组中的位置 Cluster[Clustid].Member[MemberIndex] = pat; // 将数据索引加入Member数组 Cluster[Clustid].NumMembers++; // 聚类中的数据数量加1 }}int System::CalcNewClustCenters() { int ConvFlag, VectID, i, j, k; double tmp[MAXVECTDIM]; // 临时记录新的聚类中心，因为需要比较，不能直接记录 char xs[255]; char szBuf[255]; ConvFlag = TRUE; printf("The new cluster centers are now calculated as: "); // 逐个计算NumClusters个聚类 for (i = 0; i < NumClusters; i++) { strcpy(xs,""); printf("Cluster Center %d (1/%d): ",i,Cluster[i].NumMembers); // tmp所有维度数值清0 for (j = 0; j < SizeVector; j++) { tmp[j] = 0.0; } // 计算聚类中所有数据的所有维度数值的和，为下一步计算均值做准备 for (j = 0; j < Cluster[i].NumMembers; j++) { VectID = Cluster[i].Member[j]; for (k = 0; k < SizeVector; k++) { tmp[k] += Pattern[VectID][k]; sprintf(szBuf,"%d ",Pattern[VectID][k]); strcat(xs,szBuf); } printf("%s ",xs); // 输出刚才计算的数据 strcpy(xs,""); } // 求出均值，并判断是否和上次相同 for (k = 0; k < SizeVector; k++) { if(Cluster[i].NumMembers!=0) tmp[k] = tmp[k] / Cluster[i].NumMembers; if (tmp[k] != Cluster[i].Center[k]) // 如果不同，则认为没有收敛 ConvFlag = FALSE; Cluster[i].Center[k] = tmp[k]; // 用新值代替旧值 } printf("%s, ", xs); } return ConvFlag; // 返回收敛情况}// 显示聚类中心数据void System::ShowClusters() { int cl; for (cl = 0; cl < NumClusters; cl++) { printf(" CLUSTER %d ==>[%f,%f] ", cl, Cluster[cl].Center[0], Cluster[cl].Center[1]); }}// 没有实现的函数void System::SaveClusters(char * fname) {}#include <windows.h>void main(int argc, char * argv[]) { System kmeans; // 如果没有提供参数，显示用法 if (argc < 2) { printf("USAGE: KMEANS PATTERN_FILE "); exit(0); } // 参数1 为数据文件名，从中读入数据 if (kmeans.LoadPatterns(argv[1]) == FAILURE) { printf("UNABLE TO READ PATTERN_FILE:%s ", argv[1]); exit(0); } kmeans.InitClusters(); kmeans.RunKMeans(); kmeans.ShowClusters(); kmeans.ShowCenters(); return ;}

意思是磁盘有坏簇，出现这种问题一般是硬盘有坏道，文件受损，原因有可能是突然断电、病毒破坏或硬盘受损引起的。可使用chkdsk命令进行修复：chkdsk c /r 你的盘符。如果不行，请用较专业的硬检测修复软件。重装系统。换硬盘。检查硬盘连接。

你可以查询v$option表，如果“Real Application Clusters”的value为TRUE说明你的oracle已经安装RAC了，如果为FALSE说明没有安装RAC

百度有的

配置 Hue配置hue server [desktop] http_host=cdh1 http_port=8888 secret_key=qpbdxoewsqlkhztybvfidtvwekftusgdlofbcfghaswuicmqp time_zone=Asia/Shanghai如果想配置 SSL，则添加下面设置： ssl_certificate=/path/to/certificatessl_private_key=/path/to/key并使用下面命令生成证书： # Create a key $ openssl genrsa 1024 > host.key # Create a self-signed certificate $ openssl req -new -x509 -nodes -sha1 -key host.key > host.cert配置 DB QueryDB Query 的相关配置在 hue.ini 中 databases 节点下面，目前共支持 sqlite, mysql, postgresql 和 oracle 四种数据库，默认使用的是 sqlite 数据库，你可以按自己的需要修改为其他的数据库。 [[database]] engine=sqlite3 name=/var/lib/hue/desktop.db配置 Hadoop 参数HDFS 集群配置在 hadoop.hdfs_clusters.default 节点下配置以下参数：fs_defaultfs：logical_name： NameNode 逻辑名称webhdfs_url：security_enabled：是否开启 Kerberoshadoop_conf_dir： hadoop 配置文件路径完整配置如下： [hadoop] [[hdfs_clusters]] [[[default]]] # Enter the filesystem uri fs_defaultfs=hdfs://mycluster # NameNode logical name. logical_name=mycluster # Use WebHdfs/HttpFs as the communication mechanism. # Domain should be the NameNode or HttpFs host. # Default port is 14000 for HttpFs. ## webhdfs_url=http://localhost:50070/webhdfs/v1 webhdfs_url=http://cdh1:14000/webhdfs/v1 # Change this if your HDFS cluster is Kerberos-secured security_enabled=true hadoop_conf_dir=/etc/hadoop/conf配置 WebHDFS 或者 HttpFSHue 可以通过下面两种方式访问 Hdfs 中的数据：WebHDFS：提供高速的数据传输，客户端直接和 DataNode 交互HttpFS：一个代理服务，方便与集群外部的系统集成两者都支持 HTTP REST API，但是 Hue 只能配置其中一种方式；对于 HDFS HA部署方式，只能使用 HttpFS。对于 WebHDFS 方式，在每个节点上的 hdfs-site.xml 文件添加如下配置并重启服务： <property> <name>dfs.webhdfs.enabled</name> <value>true</value></property>配置 Hue 为其他用户和组的代理用户。对于 WebHDFS 方式，在 core-site.xml 添加： <!-- Hue WebHDFS proxy user setting --><property> <name>hadoop.proxyuser.hue.hosts</name> <value>*</value></property><property> <name>hadoop.proxyuser.hue.groups</name> <value>*</value></property>对于 HttpFS 方式，在 /etc/hadoop-httpfs/conf/httpfs-site.xml 中添加下面配置并重启 HttpFS 进程： <!-- Hue HttpFS proxy user setting --><property> <name>httpfs.proxyuser.hue.hosts</name> <value>*</value></property><property> <name>httpfs.proxyuser.hue.groups</name> <value>*</value></property>对于 HttpFS 方式，在 core-site.xml 中添加下面配置并重启 hadoop 服务： <property> <name>hadoop.proxyuser.httpfs.hosts</name> <value>*</value> </property> <property> <name>hadoop.proxyuser.httpfs.groups</name> <value>*</value> </property>修改 /etc/hue/conf/hue.ini 中 hadoop.hdfs_clusters.default.webhdfs_url 属性。对于 WebHDFS： webhdfs_url=http://cdh1:50070/webhdfs/v1/对于 HttpFS： webhdfs_url=http://cdh1:14000/webhdfs/v1/YARN 集群配置在 hadoop.yarn_clusters.default 节点下配置： [hadoop] [[yarn_clusters]] [[[default]]] resourcemanager_host=cdh1 resourcemanager_port=8032 submit_to=True security_enabled=true resourcemanager_api_url=http://cdh1:8088 proxy_api_url=http://cdh1:8088 history_server_api_url=http://cdh1:19888集成 Hive在 beeswax 节点下配置： [beeswax] hive_server_host=cdh1 hive_server_port=10000 hive_conf_dir=/etc/hive/conf这里是配置为连接一个 Hive Server2 节点，如有需要可以配置负载均衡，连接一个负载节点。集成 Impala在 impala 节点下配置 [impala] # Host of the Impala Server (one of the Impalad) server_host=cdh1 # Port of the Impala Server server_port=21050 # Kerberos principal impala_principal=impala/cdh1@JAVACHEN.COM # Turn on/off impersonation mechanism when talking to Impala impersonation_enabled=True这里是配置为连接一个 Impala Server 节点，如有需要可以配置负载均衡，连接一个负载节点。参考 Configuring Per-User Access for Hue 和 Use the Impala App with Sentry for real security，在配置 impersonation_enabled 为 true 的情况下，还需要在 impalad 的启动参数中添加 authorized_proxy_user_config 参数，修改 /etc/default/impala中的 IMPALA_SERVER_ARGS 添加下面一行： -authorized_proxy_user_config=hue=* 另外，如果集群开启了 Kerberos，别忘了配置 impala_principal 参数。集成 kerberos首先，需要在 kerberos server 节点上生成 hue 用户的凭证，并将其拷贝到 /etc/hue/conf 目录。： $ kadmin: addprinc -randkey hue/cdh1@JAVACHEN.COM$ kadmin: xst -k hue.keytab hue/cdh1@JAVACHEN.COM$ cp hue.keytab /etc/hue/conf/然后，修改 hue.ini 中 kerberos 节点： [[kerberos]] # Path to Hue"s Kerberos keytab file hue_keytab=/etc/hue/conf/hue.keytab # Kerberos principal name for Hue hue_principal=hue/cdh1@JAVACHEN.COM # Path to kinit kinit_path=/usr/bin/kinit接下来，修改 /etc/hadoop/conf/core-site.xml，添加： <!--hue kerberos--><property> <name>hadoop.proxyuser.hue.groups</name> <value>*</value></property><property> <name>hadoop.proxyuser.hue.hosts</name> <value>*</value></property><property> <name>hue.kerberos.principal.shortname</name> <value>hue</value></property>最后，重启 hadoop 服务。集成 LDAP开启 ldap 验证，使用 ldap 用户登录 hue server，修改 auth 节点： [desktop] [[auth]] backend=desktop.auth.backend.LdapBackend另外修改 ldap 节点： [desktop] [[ldap]] base_dn="dc=javachen,dc=com" ldap_url=ldap://cdh1 # ldap用户登陆时自动在hue创建用户 create_users_on_login = true # 开启direct bind mechanism search_bind_authentication=false # ldap登陆用户的模板，username运行时被替换 ldap_username_pattern="uid=<username>,ou=people,dc=javachen,dc=com"注意：在开启ldap验证前，先普通方法创建一个ldap存在的用户，赋超级用户权限，否则无法管理hue用户。集成 Sentry如果 hive 和 impala 中集成了 Sentry，则需要修改 hue.ini 中的 libsentry 节点： [libsentry] # Hostname or IP of server. hostname=cdh1 # Port the sentry service is running on. port=8038 # Sentry configuration directory, where sentry-site.xml is located. sentry_conf_dir=/etc/sentry/conf另外，修改 /etc/sentry/conf/sentry-store-site.xml 确保 hue 用户可以连接 sentry： <property> <name>sentry.service.allow.connect</name> <value>impala,hive,solr,hue</value></property>集成 Sqoop2在 sqoop 节点配置 server_url 参数为 sqoop2 的地址即可。集成 HBase在 hbase 节点配置下面参数：truncate_limit：Hard limit of rows or columns per row fetched before truncating.hbase_clusters：HBase Thrift 服务列表，例如： Cluster1|cdh1:9090,Cluster2|cdh2:9090，默认为： Cluster|localhost:9090集成 Zookeeper在 zookeeper 节点配置下面两个参数：host_ports：zookeeper 节点列表，例如： localhost:2181,localhost:2182,localhost:2183rest_url：zookeeper 的 REST 接口，默认值为 http://localhost:9998集成 Oozie未使用，暂不记录。管理 Hue如果配置了 kerberos，则先获取 hue 凭证： kinit -k -t /etc/hue/conf/hue.keytab hue/cdh1@JAVACHEN.COM启动 hue server： $ service hue start停止 hue server： $ service hue stophue server 默认使用 8888 作为 web 访问端口，故需要在防火墙上开放该端口。你可以在 /var/log/hue 目录查看 hue 的日志，或者通过 http://cdh1:8888/logs 查看。测试在开启了 LDAP 后，使用 LDAP 中的管理员用户登录 hue，根据提示向导进行设置并将 LDAP 中的用户同步到 Hue Server，然后依次测试每一个功能是否运行正常。

一键备分系统分区是指备份c盘文件 一键还原系统分区也是指还原备份的c盘文件 GHOST参数4手动 我给你一些ghost参数 GHOST参数详解在options中可以设置参数 1．image write buffering：在建立备份文件时, 打开写缓冲； 2．sure：选择此项后,不再会出现最终确认询问(建议不要选择此项)； 3．no int 13：选择此项后,不支持中断13(缺省时不选择)； 4．reboot：在对硬盘或者分区操作完成之后,自动重启计算机； 5．spanning：通过多个卷架构备份文件(选择此项时, 关闭write buffering)； 6．autoname：自动为spanning文件命名； 7．allow 64k fat clusters：仅在Windows NT中支持； 8．ignore CRC errors：忽略CRC 报错； 9．override size limit：如果出现分区大小不相配,可忽略执行； 10．image read buffering：打开生成备份文件时的读缓存(缺省时选中此项)。 Ghost其他参数介绍 1.-rb 本次Ghost操作结束退出时自动重启。这样，在复制系统时就可以放心离开了。 2.-fx 本次Ghost操作结束退出时自动回到DOS提示符。 3.-sure 对所有要求确认的提示或警告一律回答“Yes”。此参数有一定危险性，只建议高级用户使用。 4.-fro 如果源分区发现坏簇，则略过提示强制拷贝。此参数可用于试着挽救硬盘坏道中的数据。 5.@filename 在filename中指定txt文件。txt文件中为Ghost的附加参数，这样做可以不受DOS命令行150个字符的限制。 6.-f32将源FAT16分区拷贝后转换成FAT32（前提是目标分区不小于2G）。WinNT 4和Windows95、97用户慎用。 7.-bootcd 当直接向光盘中备份文件时，此选项可以使光盘变成可引导。此过程需要放入启动盘。 8.-fatlimit 将NT的FAT16分区限制在2G。此参数在复制Windows NT分区，且不想使用64k/簇的FAT16时非常有用。 9.-span 分卷参数。当空间不足时提示复制到另一个分区的另一个备份包。 10.-auto 分卷拷贝时不提示就自动赋予一个文件名继续执行。 11.-crcignore 忽略备份包中的CRC ERROR。除非需要抢救备份包中的数据，否则不要使用此参数，以防数据错误。 12.-ia 全部映像。Ghost会对硬盘上所有的分区逐个进行备份。 13.-ial 全部映像，类似于-ia参数，对Linux分区逐个进行备份。 14.-id 全部映像。类似于-ia参数，但包含分区的引导信息。 15.-quiet 操作过程中禁止状态更新和用户干预。 16.-s cript 可以执行多个Ghost命令行。命令行存放在指定的文件中。 17.-span 启用映像文件的跨卷功能。 18.-split=x 将备份包划分成多个分卷，每个分卷的大小为x兆。这个功能非常实用，用于大型备份包复制到移动式存储设备上，例如将一个1.9G的备份包复制到3张刻录盘上。 19.-z 将磁盘或分区上的内容保存到映像文件时进行压缩。-z或-z1为低压缩率（快速）；-z2为高压缩率（中速）；-z3至-z9压缩率依次增大（速度依次减慢）。 20.-clone 这是实现Ghost无人备份/恢复的核心参数。 使用语法为：-clone,MODE=(operation),SRC=(source),DST=(destination),[SZE(size),SZE(size)......] 此参数行较为复杂，且各参数之间不能含有空格。 其中operation意为操作类型，值可取：copy：磁盘到磁盘；load：文件到磁盘；dump：磁盘到文件；pcopy：分区到分区；pload：文件到分区；pdump：分区到文件。Source意为操作源，值可取：驱动器号，从1开始；或者为文件名，需要写绝对路径。Destination意为目标位置，值可取：驱动器号，从1开始；或者为文件名，需要写绝对路径；@CDx，刻录机，x表示刻录机的驱动器号，从1开始。 下面举例说明： 命令行参数：ghostpe.exe -clone,mode=copy,src=1,dst=2 完成操作：将本地磁盘1复制到本地磁盘2。 命令行参数：ghostpe.exe -clone,mode=pcopy,src=1:2,dst=2:1 完成操作：将本地磁盘1上的第二分区复制到本地磁盘2的第一分区。 命令行参数：ghostpe.exe-clone,mode=load,src=g:3prtdisk.gho,dst=1,sze1=450M,sze2=1599M,sze3=2047M 完成操作：从映像文件装载磁盘1，并将第一个分区的大小调整为450MB，第二个调整为1599MB，第三个调整为2047MB。 命令行参数：ghostpe.exe -clone,mode=pdump,src2:1:4:6,dst=d:prt246.gho 完成操作：创建仅具有选定分区的映像文件。从磁盘2上选择分区1、4、6。了解了这些参数后，我们就可以轻松地实现Ghost的无人备份/复制/恢复了。冲杯咖啡吧。 注意事项 1.在备份系统时，单个的备份文件最好不要超过2GB。 2.在备份系统前，最好将一些无用的文件删除以减少Ghost文件的体积。通常无用的文件有：Windows的临时文件夹、IE临时文件夹、Windows的内存交换文件。这些文件通常要占去100多兆硬盘空间。 3.在备份系统前，整理目标盘和源盘，以加快备份速度。 4.在备份系统前及恢复系统前，最好检查一下目标盘和源盘，纠正磁盘错误。 5.在恢复系统时，最好先检查一下要恢复的目标盘是否有重要的文件还未转移，千万不要等硬盘信息被覆盖后才后悔莫及啊。 6.在选择压缩率时，建议不要选择最高压缩率，因为最高压缩率非常耗时，而压缩率又没有明显的提高。 7.在新安装了软件和硬件后，最好重新制作映像文件，否则很可能在恢复后出现一些莫名其妙的错误。 Ghost的命令行参数一览表 具体如下： /?或/H： 查看帮助。 -CLONE：克隆。 -IA：对所有分区中的扇区进行映象。 -ID：对整个磁盘（包括未分区空间）进行复制。 -IR：和ID一样，但不将分区调整为扇区界限。 -IB：只复制磁盘的启动扇区。 -IAL：对LINUX分区进行整个复制，对其它分区则用正常方法。 -OR：覆盖空间并进行完整性检查。 -NOLILO：复制后不要试图去修正LILO启动调入器。 -BOOTCD：当使用-SURE直接制作CD-R映象时，期望找到可启动软盘。 -FDSZ：清除目标磁盘上的标志性字节。 -FDSP：保留目标磁盘上的标志性字节。（优先级高于-FSSZ） -LPM：LPT主并行连接模式。 -LPS：LPT从并行连接模式。 -TCPM：TCP/IP主连接模式。 -TCPS：TCP/IP从连接模式。 -USBM：自动进入USB主模式。 -USBS：自动进入USB从模式。 -JL：记录多点传送会话诊断消息到文件。 -JS：设置最大的多点传送值。 -JA：设置多点传送会话的名称。 -AUTO：不要提示输入文件名，使用默认值。 -CHKIMG：检查映象文件的完整性。 -PWD：指定密码。 -SKIP：指定需要跳过的FAT文件系统中的文件或目录。 -PMBR：当进行任何磁盘复制操作时，保留目标磁盘中的主引导记录。 -SPAN：允许存取多个卷。 -SPLIT：当创建映象时将映象分成数块。 -Z：压缩映象文件。 -F64：当调入旧映象文件时允许64K的簇大小。 -FATLIMIT：防止FAT分区大小超过2兆。 -F32：将FAT16转换为FAT32。 -NTD：允许NTFS内部诊断检查。 -NTC-：禁止NTFS连续簇分配。 -NTCHKDSK：强制CHKDSK在下一个NTFS卷启动。 -NTIC：忽略NTFS卷上的CHKDSK位。 -NTIL：忽略非空的NTFS日志文件检查位。 -NTIID：忽略分区系统标识符的复制。 -TAPEBUFFERED：默认的磁带模式。 -TAPESAFE：当使用旧的或不可靠的磁带时有用。 -TAPESPEED：允许控置磁带速度。 -TAPEUNBUFFERED：强制非缓冲的磁带输入输出。 -TAPEEJECT：强制磁带操作完后弹出。 -TAPEBSIZE：磁带块大小。 -RB：强制复制完成后自动重新启动。 -FX：当完成复制后退出程序。 -QUIET：安静模式。 -SURE：和-CLONE选项一起使用来避免提问。 -BATCH：批处理模式，一切操作由程序自动完成。 -NOFILE：禁止文件询问。 -SCRIPT：自动按照脚本文件中的命令来运行程序。 -DL：指定存在的硬盘号。 -FIS：使用检测出的硬盘最大值。 -FNX：禁止扩展13号中断支持。 -FFX：使用扩展13号中断。 -FNI：禁止直接IDE硬盘存取支持。 -FFI：使用直接IDE硬盘存取。 -FNS：禁止直接ASPI/SCSI硬盘存取支持。 -FFS：使用直接ASPI/SCSI硬盘存取。 -NOSCSI：禁止使用ASPI存取SCSI设备。 -BFC：处理坏的FAT簇。 -VDM：写入前使用使用磁盘校验命令来检查磁盘上的每个扇区。 -FRO：强制即使有坏的簇也继续复制。 -CRC32：使用CRC32校验。 -CRCIGNORE：尽量忽略映象文件中的错误。 -FCR：当建立文件时创建校验文件。 -AFILE：使用指定的中止记录文件。 -DI：显示诊断。 -MEMCHECK：诊断内存。 -DD：记录磁盘信息到GHSTSTAT.TXT -DFILE：使用指定的信息日志文件。 -FINGER：显示详细的指纹信息。 -VER：显示程序版本号。参考资料： http://www.lh23.com/wzdl/ShowArticle.asp?ArticleID=483

我晕～谁有空翻译那么多啊，要是一小段的话倒还可以

biosynthetic gene clusters，意思是生物合成基因簇，是基因组上由若干个基因串联排列而成，其基因编码的蛋白能利用相应的前体合成代谢产物，但有些生物合成基因簇在基因组中处于沉默状态而无法表达特定的代谢产物。

kmeans算法是?

提示是说，无法完成格式化，因为坏扇区太多。这个是硬盘有坏道，换什么分区软件都不行啊。试试厂商工具修复吧。

我的是VS2008,系统是Windows XP可见程序肯定是没问题的，可能是Windows 7操作系统的文件系统对于某些指令不兼容程序没有问题，你的输入有问题吧：使用如下命令："XXX.exe C:" //这个得到C盘的信息使用如下命令："XXX.exe D:" //这个得到D盘的信息使用如下命令："XXX.exe E:" //这个得到E盘的信息使用如下命令："XXX.exe F:" //这个得到F盘的信息下面是我的运行结果：Microsoft Windows XP [版本 5.1.2600](C) 版权所有 1985-2001 Microsoft Corp.F:Programe>cd Debug..F:ProgrameDebug>111.exe D:使用GetDiskFreeSpaceEx获取磁盘空间信息可获得的空闲空间（字节）： 5609750528空闲空间（字节）： 5609750528磁盘总容量（字节）： 14181629952使用GetDiskFreeSpace获取磁盘空间信息空闲的镞数量： 342392总镞数量： 865578每镞的扇区数量： 32每扇区的容量（字节）： 512空闲空间（字节）： 5609750528磁盘总容量（字节）： 14181629952F:ProgrameDebug>111.exe E:使用GetDiskFreeSpaceEx获取磁盘空间信息可获得的空闲空间（字节）： 4364992512空闲空间（字节）： 4364992512磁盘总容量（字节）： 15801729024使用GetDiskFreeSpace获取磁盘空间信息空闲的镞数量： 532836总镞数量： 1928922每镞的扇区数量： 16每扇区的容量（字节）： 512空闲空间（字节）： 4364992512磁盘总容量（字节）： 15801729024F:ProgrameDebug>111.exe G:使用GetDiskFreeSpaceEx获取磁盘空间信息可获得的空闲空间（字节）： 2464628736空闲空间（字节）： 2464628736磁盘总容量（字节）： 7180636160使用GetDiskFreeSpace获取磁盘空间信息空闲的镞数量： 601716总镞数量： 1753085每镞的扇区数量： 8每扇区的容量（字节）： 512空闲空间（字节）： 2464628736磁盘总容量（字节）： 7180636160F:ProgrameDebug>

正常。。。不用在意。

如何将IAS Zone设备的状态report给协调器？现在有一个其他公司的协调器，配置为：Input Cluster List ：ZCL_CLUSTER_ID_GEN_BASIC 0x0000ZCL_CLUSTER_ID_GEN_POWER_CFG 0x0001ZCL_CLUSTER_ID_GEN_IDENTIFY 0x0003ZCL_CLUSTER_ID_GEN_ALARMS 0x0009ZCL_CLUSTER_ID_SS_IAS_ZONE 0x0500 Output Cluster List :ZCL_CLUSTER_ID_OTA 0x0019Device Id :ZCL_HA_DEVICEID_IAS_ZONE 0x0402Zone Type :SS_IAS_ZONE_TYPE_KEY_FOB 0x0115我应该怎么配置我的IAS ZONE的设备，然后发送设备的状态给协调器？回复参考下面的连接http://processors.wiki.ti.com/index.php/Fire_Alarm_System 如果要上传ZigBee Sniffer Log，请把文件另外为psd或者cubx文件，用附件方式上传，不要使用截图没有任何作用。-------------------------------------------Fire Alarm SystemContents[hide] 1 Introduction2 Getting Started3 Sample Devices3.1 SampleCIE3.2 SampleFireDetector3.3 SampleWarningDevice4 Sample Application operation4.1 SampleCIE4.2 SampleFireDetector4.3 SampleWarningDevice5 Forming the network with Z-Stack 3.06 Forming the network with Z-Stack Home 1.2.2aIntroductionThis wiki details the usage of the Fire Alarm System sample applications for Z-Stack Home 1.2.2a and Z-Stack 3.0. These samples were designed to show the user how to set up a fire alarm system network, as well as show the correct sequence of events for a Trip-To-Pair IAS Zone Enrollment procedure. Note: These sample applications are not intended to be certifiable out-of-the-box.Getting StartedStart by downloading/installing either Z-Stack 3.0 or Z-Stack Home 1.2.2a, available from the following links:Z-Stack 3.0:http://www.ti.com/tool/z-stackZ-Stack Home 1.2.2a:http://www.ti.com/tool/z-stack-archiveThe sample applications are available for download at the following links:Z-Stack 3.0 Sample Applications (for CC2530/CC2538):https://git.ti.com/z-stack-apps/z-stack-example-appsZ-Stack Home 1.2.2a Sample Applications (for CC2530/CC2538):https://git.ti.com/z-stack-apps/z-stack-example-appsSample DevicesThree devices are implemented in this sample network. In addition to the clusters mandatory for every ZigBee Device, these sample devices implement the following clusters:SampleCIEThe Control and Indicating Equipment (CIE) implements the following clusters:Server Side:IAS Ancillary Control Equipment (ACE)Client Side:IAS Warning Device (WD)IAS ZonesSampleFireDetectorThe Fire Detector implements the following clusters:Server Side:IAS ZonesSampleWarningDeviceThe Warning Device implements the following clusters:Server Side:IAS WDIAS ZonesNote: Though the warning device implements the IAS Zones cluster, it does not perform zone enrollment in this example.Sample Application operationThese sample apps are designed to be controlled by the hardware switches on the SmartRF05/SmartRF06. Here is a list of switch operations for each device:SampleCIESW1: Start BDB Commissioning [Z-Stack 3.0]/Start EZ-Mode Commissioning [Z-Stack 1.2.2a]SW2: [unassigned]SW3: Write CIE IEEE Address Attribute on last commissioned IAS Zone deviceSW4: Send Squawk to all Warning Devices in networkSW5: Reset to factory newSampleFireDetectorSW1: Start BDB Commissioning [Z-Stack 3.0]/Start EZ-Mode Commissioning [Z-Stack 1.2.2a]SW2: [unassigned]SW3: Send IAS Zone Enrollment request to CIESW4: Send change notification, i.e. start detecting a fireSW5: Reset to factory newSampleWarningDeviceSW1: Start BDB Commissioning [Z-Stack 3.0]/Start EZ-Mode Commissioning [Z-Stack 1.2.2a]SW2: [unassigned]SW3: [unassigned]SW4: [unassigned]SW5: Reset to factory newForming the network with Z-Stack 3.0For this example, set the network up with a CIE Coordinator, a Fire Detector Router, and a Warning Device End Device.1. SW1 on the CIERuns BDB commissioning on the CIE ZC, which will reopen an existing network for joining (if applicable) or form and open a new network. Also initiates finding & binding, which will put this device in identifying mode for other devices that join the network, so binds can be created for matching clusters.2. SW1 on the Fire DetectorRuns BDB commissioning on the Fire Detector ZR, which will cause it to join the network just created by the CIE. Additionally, a bind will be created on this device for the IAS Zone cluster from the CIE.3. SW3 on the CIESends a write attribute request to the Fire Detector (the last device that joined the network) to write the CIE IEEE Address attribute.4. SW3 on the Fire DetectorSends a IAS Zone Enrollment request to the CIE.5. SW1 on the Warning DeviceRuns BDB commissioning on the Warning Device ZED. A bind will be created on this device for the IAS WD cluster from the CIE.The network setup is now complete. You can now send squawks from the CIE to the connected Warning Device with SW4 on the CIE, or you can cause a zone status change on the Fire Detector (i.e. start detecting a fire) by pressing SW4 on the Fire Detector, which will send a zone status change to the CIE and send an alarm to the Warning Device.Forming the network with Z-Stack Home 1.2.2aFor this example, set the network up with a CIE Coordinator, a Fire Detector Router, and a Warning Device End Device. After powering on all devices, perform the following:1. SW1 on the CIERuns EZ-Mode commissioning on the CIE ZC, which will form a new network or reopen an existing network and put this device in identifying mode to look for binds with a device that joins the network.2. SW1 on the Fire DetectorRuns EZ-Mode commissioning on the Fire Detector ZR, which will cause it to join the network just created by the CIE. Additionally, a bind will be created on this device for the IAS Zone cluster from the CIE.3. SW3 on the CIESends a write attribute request to the Fire Detector (the last device that joined the network) to write the CIE IEEE Address attribute.4. SW3 on the Fire DetectorSends a IAS Zone Enrollment request to the CIE.5. SW1 on the CIERestarts EZ-Mode commissioning on the CIE. This step is necessary for finding/creating binds with the next device that joins the network.6. SW1 on the Warning DeviceRuns EZ-Mode commissioning on the Warning Device ZED. A bind will be created on this device for the IAS WD cluster from the CIE.The network setup is now complete. You can now send squawks from the CIE to the connected Warning Device with SW4 on the CIE, or you can cause a zone status change on the Fire Detector (i.e. start detecting a fire) by pressing SW4 on the Fire Detector, which will send a zone status change to the CIE and send an alarm to the Warning Device.

房客被编组入二个或三个供营商，中的每一群个围拢由就座荚

At a local level, they quantify the degree of spatial association at each data site, which, when mapped, identify the spatial distribution of clusters of anomalou values in the landscape.主语they谓语quantify宾语the degree of spatial association状语at each data site定语（从句）which, when mapped, identify the spatial distribution of clusters of anomalou values in the landscape.quantify [u02c8kwu0254ntifai] vt. 确定…的数量

GPU的基础单位是SM和block。因为实际上NVidia的GPU里，最基本的处理单元是所谓的SP(StreamingProcessor)，而一颗NVidia的GPU里，会有非常多的S可以同时做计算；而数个SP会在附加一些其他单元，一起组成一个SM(StreamingMultiprocessor)。几个S则会在组成所谓的TPC(TextureProcessingClusters)。

你的盘空间不够呀！

一旦出现蓝屏，版主就该立即记录下蓝屏代码，这样就可以依据代码对号入座，这样问题就很容易解决了。回答版主的问题，首先我先说下蓝屏的原因有哪些，这样让版主对蓝屏有个大致的了解。其次，我在最后附上了一些蓝屏代码，供版主依代码来解决问题，当然代码很多我不可能全部列出来完。剩余的，版主可以在最后的链接去查看更多代码。电视机会出现蓝屏，电脑也会出现"蓝屏"。电脑出现"蓝屏"时还会出现一连串警告，轻者只要按ESC就能返回，重者就会出现死机，使人十分烦恼。出现"蓝屏"无外有二种情况，一种是软件引起的，另一种是硬件引起的，软件引起的"蓝屏"故障，一般重装系统都能解决。但也可以不重装系统来解决。而硬件引起的"蓝屏"故障，要根据具体的情况分别解决。 一、软件引起的"蓝屏"故障 1、重要文件损坏或丢失会引起"蓝屏"故障（包括病毒所致）。 WIN中VxD（虚拟设备驱动程序）或.DLL(动态连接库）之类的重要文件丢失会出现"蓝屏警告"。解决的办法是利用Win的启动盘中的"Ext"来恢复被损坏或丢失的文件，步骤如下： （1）、先用WIN的启动盘起动电脑，在提示符下敲入"Ext"命令； （2）、在提示"Please enter the path to the Windows CAB files (a) :" 后输入WIN安装压缩包所在的完整路径，回车，如"E:Pwin2003Win2003; (3)、在提示"Please enter the name (s) of the file (s) you want to extract:"后输入你丢失的文件名，如"BIOS.Vxd"，回车； （4）、在解压路径提示"Please enter path to extrct to (" Enter" for current directory): " 后输入文件将被解压到的完整路径，如"C:WindowsSystem" 并回车，后面出现的提示，只要按YES回车即可，得新启动后就能恢复系统。注：因事先记下丢失的文件名，以便恢复） 如是病毒引起，可用杀毒软件来杀毒，并及时恢复中毒前的备份； 如果能启动图形界面，可采取重装主板以及显示卡的驱动程序，和进行"系统文件扫描"来恢复被破坏或丢失的文件，可从开始菜单内附件中的系统工具中找到； 2、注册表损坏导致文件指向错误所引起的"蓝屏" 在注册表被改动后或受到破坏，在开机或在调用程序时出现"蓝屏"，并且屏幕有出错信息（包括出错的文件名）。 --解决方法是恢复注册表备份，重新启动计算机，切换到MS-DOS方式，进入Windows子目录，键入Scanreg egstore 后回车，就可恢复最近一次注册表 3、在卸载程序后出现"蓝屏"，多数是由于程序卸载不完善造成。解决办法：首先记下出错文件名，然后到注册表中找到以下分支"HKEY_LOCAL_MACHINESysytemCurrentControlSetServicesVxD",在"查找"中输入出错的文件名，把查到键值删除即可。 4、在System.ini文件错误引起的"蓝屏",由于软件卸载或安装时没有即时更新System.ini造成"蓝屏"的，解决办法：禁用注册表中该项或重装相应软件或驱动程序； 由于Win98的spl和Microsoft的Vxd_fix.exe补丁程序对Win98的稳定起着重要的作用，可到华军网站下载补丁Vxd_fix.exe. 5、系统资源耗尽引起的蓝屏。这一类故障主要是三个堆资源（系统资源、用户资源、GDI资源）占用有情况有关。 --打开资源监视器，看一下剩余资源的情况，如这三种资源都 在50％甚至更低，就很容易出现"非法操作"、"蓝屏"、"死机"。因此，必须减少资源浪费，减少不必要的程序加载，避免同时运行大程序（如图形、声音和视频软件），如加载计划任务程序、输入法和声音指示、声卡的DOS驱动程序，系统监视程序等； 6、DirexctX问题引起的"蓝屏"故障。如DirectX版本过高、过低；游戏与它不兼容或是不支持；辅助文件丢失；显卡对它不支持，都可能造成此故障。升级或重装DirectX，尝试更新显卡的BIOS和驱动程序，或升级显卡。 7.软件不兼容导致的。二、硬件引起的"蓝屏"故障 此类故障主要有以下几种： 1.内存超频或不稳定。主要出现随机性"蓝屏"。恢复正常频率运行，或找一根好的内存条进行替换，一般都能解决问题，还要注意和CPU内存条很近的散热问题； 2.硬件的兼容性不好引起的"蓝屏"。由于DIY门使用的是兼容机，没有经过完善的监测，从而留下陷患， 如不同规格的内存条混插等，可交换内存条所插的插糟位置，或更换相同规格、厂家、批号的内存条都可解决问题。而内存条的好坏直接影响系统的稳定性，应特别引起重视； 3.硬件散热问题也会引起"蓝屏"。这一类故障，往往都有一定规律，一般在电脑运行一段时间后才出现，表现中"蓝屏"死机或随意重启动，解决方法是很简单，不要随意超频，加强机内的降温。 4、I / O冲突也能引起"蓝屏"。这种现象比较少，如果出现，可以从系统中删除带！号或？号的设备名，重新启动计算机，一般能解决。 三、预防措施 总之要做到防患于末然，只要能在平时能做到以下几点，就能有效地避免出现"蓝屏"或死机。 1.定期对注册表进行备份，出错时能够及时恢复到原来的状态； 2.尽量避免非正常关机，可减少重要文件丢失。如.VxD .DLL文件等； 3.一般而言，计算机能正常工作，没必要去升级著如显卡、主板的BIOS和驱动程序，避免造成损害机器； 4.定期运行"系统文件检查器"对系统文件进行检查；在"系统工具"中可找到 5.减少无用文件的安装，尽可能不要用手工卸载或删除程序，以减少非法替换文件和文件指向错误； 6.尽量避免大程序的同时运行，如果发现在听MP3时有沙沙的声音，可以肯定该故障是由内存不足造成。最后是蓝屏代码，柏原季川请版主“对症下药”Windows蓝屏错误代码 0X0000 操作完成 0X0001 不正确的函数 0X0002 系统找不到指定的文件 0X0003 系统找不到指定的路径 0X0004 系统无法打开文件 0X0005 拒绝存取 0X0006 无效的代码 0X0007 内存控制模块已损坏 0X0008 内存空间不足，无法处理这个指令 0X0009 内存控制模块位址无效 0X000A 环境不正确 0X000B 尝试载入一个格式错误的程序 0X000C 存取码错误 0X000D 资料错误 0X000E 内存空间不够，无法完成这项操作 0X000F 系统找不到指定的硬盘 0X0010 无法移除目录 0X0011 系统无法将文件移到其他的硬盘 0X0012 没有任何文件 0X0019 找不到指定扇区或磁道 0X001A 指定的磁盘或磁片无法存取 0X001B 磁盘找不到要求的装置 0X001C 打印机没有纸 0X001D 系统无法将资料写入指定的磁盘 0X001E 系统无法读取指定的装置 0X001F 连接到系统的某个装置没有作用 0X0021 文件的一部分被锁定，现在无法存取 0X0024 开启的分享文件数量太多 0X0026 到达文件结尾 0X0027 磁盘已满 0X0036 网络繁忙 0X003B 网络发生意外的错误 0X0043 网络名称找不到 0X0050 文件已经存在 0X0052 无法建立目录或文件 0X0053 INT24失败(什么意思？还请高手指点站长一二) 0X006B 因为代用的磁盘尚未插入，所以程序已经停止 0X006C 磁盘正在使用中或被锁定 0X006F 文件名太长 0X0070 硬盘空间不足 0X007F 找不到指定的程序 0X045B 系统正在关机 0X045C 无法中止系统关机，因为没有关机的动作在进行中 0X046A 可用服务器储存空间不足 0X0475 系统BIOS无法变更系统电源状态 0X047E 指定的程序需要新的windows版本 0X047F 指定的程序不是windows或ms-dos程序 0X0480 指定的程序已经启动，无法再启动一次 0X0481 指定的程序是为旧版的 windows所写的 0X0482 执行此应用程序所需的程序库文件之一被损 0X0483 没有应用程序与此项操作的指定文件建立关联 0X0484 传送指令到应用程序无效 0X05A2 指定的装置名称无效 0X05AA 系统资源不足，无法完成所要求的服务 0X05AB 系统资源不足，无法完成所要求的服务 0X05AC 系统资源不足，无法完成所要求的服务 0X06B9 资源不足，无法完成操作

对电脑硬件没有影响。对系统正常运行有影响。这是硬盘上的文件系统有问题，用windows自带的磁盘扫描功能就可以修复，如果不能修复，用hddREG 等工具软件可以修复，格式化硬盘后，可以彻底解决此类问题。

flex和actionscript有什么区别as语言是flash基础脚本语言flex是flash的负责公司针对flash太依赖美工的特性（有时间轴 有绘图工具等），而另外开发出一套适合程序员的框架程序它的核心是as3 css mxml(组件)，程序员只负责逻辑部分及框架架设龚偿夺锻懿蹬额拳帆哗即可，素材由美工处理，然后使用外部swc形式打包进flex项目编译，最终生成swf文件另外flex较as3的优势，它是一个框架，所以它支持类似div+css的自动布局特性（即可以定义某些容器自动右对齐，底对齐，而不用写任何自适应代码），而且flex里有大量的自带组件，同时其它程序员也有发布大量第三方优秀组件，方便程序员快速开发部署程序可能类似java的原始语言 和 struxxx那个框架的区别吧

中文意思是集群，oracle clusterware 是oracle的一部分。

硬盘有坏道，文件丢失。

桂花口语化的可以说：may flower，其它的说法还有：Sweet Osmanthus Flower和fragrans。例句：1、This research is a part of the subject on International Registration Authority of Osmanthus fragrans Cultivars, O. 本研究是“申报桂花品种国际登录权”课题的后续部分。